相关实验视频
Updated: Jun 27, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
393
空间注意力ConvMixer架构用于使用Kvasir数据集对胃肠道疾病进行分类和检测
Ayşe Ayyüce Demirbaş1, Hüseyin Üzen2, Hüseyin Fırat3
1Ankara, Turkey.
Health information science and systems
|April 30, 2024
概括
一个新的空间注意力ConvMixer (SAC) 架构改善了人工智能从内镜图像检测胃肠道 (GI) 疾病,达到93.37%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 胃肠道 (GI) 疾病是一个主要的公共卫生问题,需要通过内镜检查进行准确的诊断.
- 对内镜图像的手动评估是主观的,容易出现错误,特别是在微妙或类似的疾病表现方面.
- 使用人工智能 (AI) 的自动分类系统为客观和高效的胃肠道疾病检测提供了一个有前途的解决方案.
研究的目的:
- 提出一个新的AI架构,空间注意力ConvMixer (SAC),用于计算机辅助诊断和在GI内镜中自动检测疾病.
- 通过空间注意力机制 (SAM) 增强ConvMixer架构,以更好地关注关键图像区域.
- 通过使用Kvasir数据集,对SAC架构的性能与已建立的模型进行评估.
主要方法:
- 开发了空间注意力ConvMixer (SAC) 架构,将空间注意力机制 (SAM) 与ConvMixer的补丁提取技术集成在一起.
- 在Kvasir数据集上训练和评估SAC模型,用于分类胃肠道疾病.
- 将SAC架构的分类精度与Vanilla ViT,Swin Transformer,ConvMixer,MLPMixer,ResNet50和SqueezeNet进行了比较.
主要成果:
- 拟议的SAC架构在Kvasir数据集上实现了93.37%的分类准确性.
- SAC的表现优于所有比较型号,其中包括Vanilla ViT (79.52%),Swin Transformer (74.52%),ConvMixer (92.48%),MLPMixer (63.04%),ResNet50 (87.44%) 和SqueezeNet (85.59%).
- 整合空间注意力块显著改善了ConvMixer在分类胃肠道疾病方面的表现.
结论:
- 与现有的最先进的方法相比,空间注意力ConvMixer (SAC) 架构在自动检测胃肠道疾病方面表现出卓越的性能.
- SAM有效地指导模型,使其专注于内镜图像中的诊断相关区域,提高分类准确性.
- SAC为胃肠病学中计算机辅助诊断提供了一个强大而准确的工具,有可能改善患者的治疗结果.
